AKTUELLE ANWENDUNGEN VON KMU UND BEHÖRDEN 
Datenbasis 
Datenprozessierung 
MUKLIMOJ3 Eingangsdaten 
HRL 3D Geb. Modell 
EU-DEM 
- Arcpy Werkzeuge: 
Clip 
Polygon in Raster 
Resample 
Aggregate 
Zonal Statistics 
Rotate 
Raster in ASCII 
- Datentransformation auf 
nicht-äquidistantes 
Modellgitter 
Python-Skript 
г 
ASCII 1 
ASCII 
Raster Daten 
Tabelle 
- 1 
physikalische Parameter 
ASCII I 
Raster Daten 
Landnutzung 
ASCII I 
Raster Daten 
Geländehöhe 
Abb. 3.7: Schematischer Ablauf der Datenvorbereitung. Durch einen Konfigurations 
mechanismus können die Daten aus dem gewünschten Modellgebiet für ver 
schiedene Rechengitter (äquidistant / nicht-äquidistant) in ein für das Modell 
nutzbares Format transformiert werden. 
einer besseren Beschreibung der Städte geführt hat. Waren Parameter nicht ver 
fügbar, haben wir für diese wie bisher den Landnutzungsdatensatz mit den 
Literaturwerten als Grundlage genutzt. 
Schließlich haben wir alle genannten Produkte als Eingangsdaten in ein Py 
thon-Skript implementiert und somit die Datenvorbereitung automatisiert (sie 
he Abbildung 3.7), wodurch sich der zeitliche Aufwand für die Vorbereitung 
der Daten insgesamt deutlich reduziert hat. 
VERGLEICH DER NEUEN MIT BISHERIGER METHODE 
Um die Gleichwertigkeit oder eine Verbesserung der in GUAMO entwickelten 
Methode gegenüber der bisherigen Methode (Koßmann 2012) zu demonstrie 
ren, haben wir beide Methoden auf vier Teststädte angewandt und miteinander 
verglichen. Abbildung 3.8 zeigt den Vergleich beider Methoden anhand von 
Modellergebnissen für die Stadt Köln für idealisierte Schönwetterbedingungen 
mit Sonnenstand eines 7. Juli. 
Für beide Methoden zeigen die Simulationen auf den ersten Blick ein plau 
sibles Ergebnis: in beiden Simulationen werden die höheren Temperaturen je 
weils über versiegelten Flächen mit Bebauung simuliert, was auf die Energieum 
setzungen an den Gebäuden (z. B. niedrige Albedo und geringe Verdunstung) 
zurückzuführen ist. Beiden Methoden gleich ist auch, dass im Wald deutlich 
niedrigere Temperaturen simuliert werden, was sich aus der reduzierten Son 
neneinstrahlung und der höheren Verdunstungsrate im Wald ergibt. Auch ist 
die Orographie im Nordosten des Modellgebiets für die Temperaturverteilung 
ein wichtiger Faktor. 
Bei genauerem Hinsehen werden jedoch Unterschiede deutlich, denn die Ver 
teilung der Lufttemperatur hängt stark von der präzisen städtischen Struktur 
im Modell ab. So variiert die simulierte Temperatur bei der bisherigen Me 
thode (Abb. 3.8a) zwischen 26.3 °C im Umland und 32.6 °C in der Innenstadt, 
während die Temperatur in der Simulation mit der neuen Methode (Abb. 3.8b) 
im Zentrum von Köln ein Maximum von 34 °C erreicht.